[논문 리뷰] Reconstruction of a Photonic Qubit State with Quantum Reinforcement Learning

Shang Yu, F. Albarrán-Arriagada외 11명|arXiv (Cornell University)|2018. 08. 28.

Neural Networks and Reservoir Computing인용 수 2

한 줄 요약

이 논문은 알려지지 않은 광학 큐비트 상태를 제한된 수의 복제본만을 사용하여 재구성하기 위한 반정량화 강화학습 프로토콜을 제안한다. 단일 측정 및 피드백 신호(보상/벌칙)를 통해 반복적으로 광학 에이전트 큐비트의 상태를 조정함으로써, 50회 이내에 88% 이상의 허상도를 달성하며, 자원이 제한된 상황에서의 양자 상태 재구성에 대해 확장 가능한 접근법을 보여준다.

ABSTRACT

An experiment is performed to reconstruct an unknown photonic quantum state with a limited amount of copies. A semi-quantum reinforcement learning approach is employed to adapt one qubit state, an agent, to an unknown quantum state, an environment, by successive single-shot measurements and feedback, in order to achieve maximum overlap. The experimental learning device herein, composed of a quantum photonics setup, can adjust the corresponding parameters to rotate the agent system based on the measurement outcomes 0 or 1 in the environment (i.e., reward/punishment signals). The results show that, when assisted by such a quantum machine learning technique, fidelities of the deterministic single-photon agent states can achieve over 88% under a proper reward/punishment ratio within 50 iterations. This protocol offers a tool for reconstructing an unknown quantum state when only limited copies are provided, and can also be extended to higher dimensions, multipartite, and mixed quantum state scenarios.

연구 동기 및 목표

• 이름이 알려지지 않은 상태의 복제 수가 매우 적을 때 발생하는 양자 상태 재구성 문제를 해결하기 위해.
• 광학 에이전트가 알려진 목표 상태와 일치하도록 상태를 적응시킬 수 있는 피드백 기반 학습 프로토콜을 개발하기 위해.
• 양자 기계학습 기법을 광학 시스템에서의 상태 재구성에 적용할 수 있는 가능성을 입증하기 위해.
• 단일 큐비트 시스템을 넘어 고차원, 다중입자 및 혼합 양자 상태로 이 방법을 확장하기 위해.

제안 방법

• 측정 결과에 따라 상태 매개변수를 조정함으로써 진화하는 강화학습 에이전트를 실현하기 위해 광학 양자 장치를 사용한다.
• 각 단일 측정 이후 환경에서 이진 피드백(결과 1에 대한 보상, 결과 0에 대한 벌칙)을 제공한다.
• 피드백에 따라 제어된 유니터리 연산을 통해 에이전트의 상태를 회전시키며, 알려진 상태와의 오버랩을 최대화하는 학습 규칙에 따라 이뤄진다.
• 학습 과정은 반복적이며, 각 에피소드는 측정과 매개변수 갱신으로 구성되며, 최대 50회 반복된다.
• 보상/벌칙 비율을 조정하여 재구성 상태의 수렴성과 허상도를 최적화한다.
• 단일 광자 상태와 선형 광학 요소를 사용하여 실험적으로 프로토콜을 구현한다.

실험 결과

연구 질문

• RQ1 제한된 수의 복제본만을 사용하여 광학 에이전트가 알려지지 않은 단일 광자 큐비트 상태를 재구성할 수 있는가?
• RQ2 보상/벌칙 비율은 상태 재구성 과정의 허상도와 수렴 속도에 어떤 영향을 미치는가?
• RQ3 이 강화학습 접근법은 고차원 및 얽힌 양자 상태로 어느 정도까지 확장될 수 있는가?
• RQ4 유한한 반복 횟수와 현실적인 실험 조건 하에서 재구성된 상태의 최대 달성 가능한 허상도는 얼마인가?

주요 결과

• 적절한 보상/벌칙 비율을 사용할 경우, 재구성된 에이전트 상태와 알려지지 않은 목표 상태 간의 허상도가 88%를 초과한다.
• 50회 이내에 허상도 향상이 관찰되어 학습 과정의 빠른 수렴을 시사한다.
• 실험적 설정은 광학 큐비트와 단일 측정을 활용한 피드백 기반 양자 기계학습 프로토콜을 성공적으로 실현하였다.
• 이 방법은 복제 수 제한에 대해 강건하여, 상태 준비가 비용이 많이 들거나 드문 상황에 적합하다.
• 원칙적으로 고차원 큐디트 시스템과 다중입자 얽힌 상태로의 확장이 가능하다.
• 결과는 광학 양자정보 시스템에서 실용적인 양자 상태 재구성에 대해 반정량화 강화학습의 타당성을 입증한다.